tensorflow—图片转tfrecord格式

文章参考来自：
https://blog.csdn.net/qq_23981335/article/details/80525642
https://blog.csdn.net/runner668/article/details/80404737

这里提供了一种把图片转换成tfrecords文件的方法。

先介绍下图片解码的两种方法：
第一种方法是用tf.gfile.FastGFile读取图片，然后进行解码，再把图片转换成tf.float32；

 # 读取图片
img = tf.gfile.FastGFile('img/img1/'+imgpath, 'rb').read()
# 解码图片（如果是 png 格式就使用tf.image.decode_png)）
img = tf.image.decode_jpeg(img)
# 图片归一化，[0,1],浮点类型数据。因为为了将图片数据能够保存到 TFRecord 结构体中，所以需要将其图片矩阵转换成 string，
# 所以为了在使用时能够转换回来，这里确定下数据格式为 tf.float32
img = tf.image.convert_image_dtype(img, dtype=tf.float32)

第二种方法则是直接读取即可 bytes。

img = Image.open('img/img1/'+imgpath)
img_raw = img.tobytes()  # 将图片转化为原生bytes

首先，贴出第一种方法：

背景：文件夹中有两种图片，txt中是两张图片的文件名，如下：

代码如下：

# -*- coding:utf-8 -*-

# 将图片保存成 TFRecord  
import tensorflow as tf
import numpy as np

savedir = "data/tf2.tfrecords"  # 希望在data/文件夹中生成“data.tfrecords"的TFRecord格式文件

#把标签转换成tfrecord文件需要的格式：int64_list
def _int64_feature(value):
    return tf.train.Feature(int64_list=tf.train.Int64List(value=[value]))   
#转换成字节流
def _bytes_feature(value):
    return tf.train.Feature(bytes_list=tf.train.BytesList(value=[value]))

def load(imgdir, width, height, method=0):
    # 准备一个 writer 用来写 TFRecord 文件  
    writer = tf.python_io.TFRecordWriter(savedir)    #在‘savedir’路径下生成一个tf文件
    imglist = open(imgdir, 'r')
    with tf.Session() as sess:
        for line in imglist:  # open 打开的文件返回对象是一个可迭代对象，直接用 for 迭代访问
            # 获得图片的路径和类型
            tmp = line.strip().split(' ')  # str.strip([chars])用于去除头尾的字符chars,为空时默认删除空白符；
            while '' in tmp:
                tmp.remove('')
            imgpath = tmp[0]  # 字符串列表tmp中tmp[0]代表该图像的路径
            label = int(tmp[1])  # 字符串列表tmp中tmp[1]代表该图像的标签
            print(tmp)

            # 读取图片
            img = tf.gfile.FastGFile('img/img1/'+imgpath, 'rb').read()

            # 解码图片（如果是 png 格式就使用tf.image.decode_png)）
            img = tf.image.decode_jpeg(img)

            # 图片归一化，[0,1],浮点类型数据。因为为了将图片数据能够保存到 TFRecord 结构体中，所以需要将其图片矩阵转换成 string，
            # 所以为了在使用时能够转换回来，这里确定下数据格式为 tf.float32
            img = tf.image.convert_image_dtype(img, dtype=tf.float32)

            # 把图片转换成希望的大小，由于本例子中两张图片大小都是650*434，所以此步骤可以省略。要注意的时候resize_images中输入图片的宽、高顺序
            img = tf.image.resize_images(img, [height, width], method)

            # 执行op:image
            img = sess.run(img)

            # 将其图片矩阵转换成string
            img_raw = img.tostring()

            # 将数据整理成 TFRecord 需要的数据结构
            example = tf.train.Example(features=tf.train.Features(feature= \
                                                                      {'imge_raw': _bytes_feature(img_raw),
                                                                       'label': _int64_feature(label)}))

            # 写入TFRecord
            # SerializeToString()作用:把example序列化为一个字符串,因为在写入到TFRcorde的时候,write方法的参数是字符串的.
            writer.write(example.SerializeToString())
    writer.close()


if __name__ == '__main__':
    load("img/img1/data.txt", 650, 434)

结果如下，生成了一个tf文件：

第二种方法把上面读取照片的方法替换一下即可，这里不过多描述了。

其实转tf文件的格式很简单，基本结构如下：
1.先创建一个tf文件，用于写入
2.读取标签（可按自己的风格定义标签，比如：男、女）
3.读取照片，并转成tf的格式（如：字节流）
4.构建一个字典：tf.train.Example，就是将数据整理成 TFRecord 需要的数据结构
5.write，把数据写入tf文件

import tensorflow as tf
import numpy as np

tfrecords_filename = 'tf/tf1.tfrecords'
writer = tf.python_io.TFRecordWriter(tfrecords_filename) # 创建.tfrecord文件，准备写入

for i in range(100):
    img_raw = np.random.random_integers(0, 255, size=(7, 30))  # 创建7*30，取值在0-255之间随机数组
    img_raw = img_raw.tostring()    #把数组转成tf的格式，用随机数组代替照片——图片的本质就是数组，因此这里也可以用数组替代
    example = tf.train.Example(features=tf.train.Features(
        feature={
            'label': tf.train.Feature(int64_list=tf.train.Int64List(value=[i])),    #标签
            'img_raw': tf.train.Feature(bytes_list=tf.train.BytesList(value=[img_raw]))   #图片
        }))
    writer.write(example.SerializeToString())

writer.close()